- •1.Основные понятия и главные направления прогнозирования.
- •2. Классификация прогнозов. Основные принципы прогнозирования.
- •3. Классификация методов прогнозирования.
- •4. Область применения методов экспертных оценок. Требования, предъявляемые к экспертам. Самооценка экспертов.
- •5. Обработка и анализ результатов опроса экспертов
- •6. Метод “мозговой атаки” (“мозгового штурма”).
- •7. Метод «Дельфи»
- •8. Классификация статистических методов прогнозирования.
- •9. Выравнивание врем.Ряда. Прогноз. На основе скольз.Сред. И экспоненц.Взвешенного сред.
- •10. Аналитическое выравнивание временного ряда. Методы выбора формы тренда.
- •4. Выбор на основе законов дифференциального роста.
- •11. Сезонные колебания уровней временного ряда.
- •12. Сущность, достоинства и недостатки экстраполяции. Простейшие приемы экстраполяции.
- •13. Экстраполяция тренда. Прогнозирование сезонных явлений.
- •14. Прогнозирование по огибающим кривым. Логистические кривые развития технологий
- •15. Сущность, условия применения корреляционо-регрессионного анализа. Автокорреляция. Критерий Дарбина-Уотсона.
- •1. Проблема включения факторов в модель
- •16. Производственные функции. Кривые освоения.
- •17. Апостериорные и априорные оценки точности прогнозов. Надежность прогнозов.
- •18. Методы логического моделирования.
- •19. Прогнозирование на основе написания сценариев, матриц взаимодействия, морфологического анализа.
- •20. Прогнозирование на основе построения сетевой модели, "дерева целей".
- •21. Прогнозирование на основе построения "дерева решений".
- •22. Прогнозирование динамики научно-технических направлений, уровня технического решения и сроков реализации.
- •23. Прогнозирование научно-технического прогресса: особенности современного этапа, типичные периоды упреждения.
- •24. Методы прогнозирования фундаментальных и прикладных исследований, разработок, подготовки и серийного производства.
- •25. Прогнозирование экономического роста. Экстенсивный и интенсивный рост.
- •26. Методы прогнозирования спроса: на основе экспертных оценок, с использованием коэффициента эластичности, факторные модели, нормативный подход.
12. Сущность, достоинства и недостатки экстраполяции. Простейшие приемы экстраполяции.
Экстраполяция – определение будущих, ожидаемых значений величин, показателей на основе имеющихся данных о тенденциях их изменений в прошлые периоды. Дает возможность получить точечные значения прогноза.
Достоинства:
простота, ясность принятых допущений и возможность осуществления на основе относительно небольшого количества информации
Недостатки:
краткосрочные прогнозы (период упреждения <1/2), эволюционный путь развития. Необходимо определить доверительный интервал – интервал, в котором с определенной степенью вероятности можно ожидать появления реального значения исследуемой переменной в будущем. Определяется с помощью формул или экспертных оценок.
2 класса временных рядов – стационарные (случайные величины, имеющие пост. мат. ожидание) и нестационарные.
Методы экстраполяции стационарного ряда:
метод среднего значения ; ; ;t-статистика Стьюдента, альфа-уровень значимости,
метод скользящего среднего. ;
метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов.
13. Экстраполяция тренда. Прогнозирование сезонных явлений.
необходимо в уравнение тренда подставить соответс. величину времени
определить доверительный интервал
,
t - коэффициент распределения Стьюдента, S - среднее квадратическое отклонение эмпирических данных от соответствующих расчетных значений
прогнозирование сезонных явлений
Находится тренд. Расчет ведется на основе всех уровней ряда.
Декомпозируется ряд.
Моделируется случайная составляющая.
Рассчитывается индекс сезонности.
3. Рассчитываются прогнозные значения
Коэффициент сезонности – характеризует сезонность в границах каждого года. Фактические значения сравниваются с выровненными уровнями ряда
Индекс сезонности – устойчивая тенденция сезонности для нескольких лет
Уl=∑Ktl/n.
Кtl=исх.знач.ряда/вырав.знач.= ytl/ŷtl, где t- интервал, годы; 1 - l - интервал внутри года.
14. Прогнозирование по огибающим кривым. Логистические кривые развития технологий
Прогн-е по огибающим кривым. Объединение частных тенденций в единую общую тенденцию. Можно прогноз.процессы, кот.имеют скачки в своем развитии. Целесообразно использовать в случае эволюционных скачков развития.
О гиб.крив. – наиболее гладкая кривая, которая отображает путь развития всего семейства кривых уходящих от эволюционного к революционному развитию. Если существует параметр С, кот изменяется непрерывно, то огибающая кривая проводится как касательная ко всем кривым из семейства y= f (x,C). Если C – дискретная величина, то надо провести так, что бы она была как можно ближе, даже если пересекает. Часто они применяются при прогнозировании НТП или развития технологий. Она позволяет связать результаты и затраты.
Логистическая кривая y=k/(1+be-ex) рез-т,/ затраты
Используют для анализа различных технологий. Инновация – технологический разрыв. Экономичность – угол наклона кривой.